图神经网络参与湍流数值计算的两条路线:直接推进与辅助粗网格求解的能力、未解问题与研究方向比较

湍流物理基础与数据基础设施:HIT 统计理论、能谱/能通量 DNS 证据与无散度合成湍流生成

这组文献不涉及任何学习模型,而是两条路线共同的物理标尺与数据入口:均匀各向同性湍流的经典统计理论(K41、能谱与耗散)、近耗散区能谱与能通量关系的高保真伪谱 DNS 证据,以及按指定能谱生成无散度随机场和散度自由合成涡入口的构造方法。它们界定了报告中必须核查的量(短时精度、能谱、能量耗散、散度残差),也说明两条路线对 DNS 轨迹与入口/边界条件数据的依赖程度与获取成本,是判断 GNN 是否守住物理统计的前置参照。

问题诊断与可学性边界:先验—后验鸿沟、领域综述与粗网格修正的负面结果

这组提供批判性理论标尺与明确的负面证据:一篇综述把 RANS 病态、a priori/a posteriori 差距与 PINN 谱偏差归因于'逐点离线训练目标'与'求解器耦合多尺度统计表现'的结构性错配;一篇 GNN 领域综述梳理流场预测、湍流建模与复杂流动仿真中的架构、网格适配、训练成本与泛化瓶颈;一篇在非结构四面体网格、转捩流动上给出前馈网络、多种 GNN 与层次网络均无法给出可用粗网格修正的负面结果。三者共同支撑报告对'当前空缺在精度、稳定性、物理统计、跨工况还是公平对照'的定位判断,并警示应优先选择能隔离 GNN 贡献的受控算例。

GNN 方法学底座:消息传递基础模型、各向异性与多尺度物理约束表达及可扩展训练架构

这组聚焦两条路线共享的架构与成本基线而非具体湍流路线:原始 GNN 模型给出图域消息传递与监督学习范式;各向异性 GNN 与多尺度物理约束图网络针对湍流强非平衡、尺度间交互与非局部依赖改进表达能力;多处理器并行 PIGNN 与混合精度训练直接关系到算力预算、训练成本与推理效率。它们为后续'相近网格、时间步与计算预算下的公平对照'提供方法学与成本参照。

路线一(自由滚动):GNN 直接推进的自回归滚动、误差累积抑制与长期稳定性

这组文献共同把流场演化本身交给图网络并递归多步推进,核心矛盾是自回归误差累积导致的长期失稳:图注意力模型在二维圆柱绕流上的滚动对比 GNN 与图神经 ODE 训练模式的稳定性差异;气动预测工作用'两步训练+自回归微调'检验跨声速抖振与流固耦合;ALE 一致的图神经算子 Transformer 修正移动边界处理;物理约束课程学习完成数百步滚动;网格图学习与圆柱入水长期预测则给出 RMSE 随步数增长、R²、速度散度与 VOF 残差的量化曲线,并检验对未见 Froude 数、初始角度、几何与网格拓扑的迁移。它们构成'一步预测 vs 自由滚动推进'区分与长期稳定性、计算成本判断的主要证据。

路线一(短时与条件化):单步/短时全场预测精度、高阶结构函数与间歇性统计诊断及零微调泛化

这组属于 GNN 直接推进中评价重点不同的另一侧:不追求长时稳定,而是检验预测场在湍流统计意义上的保真度与条件化泛化能力——用二阶/三阶结构函数核对 Kolmogorov 2/3 与 4/5 律、用扩展自相似标度指数刻画近尾迹各向异性与间歇性;在三维瞬态流动(钝体绕流、动脉瘤血流)与 GNN-CNN 混合架构中检验对未见入流条件与几何的零微调泛化;并以物理约束损失保证质量守恒。它们说明短时精度已可验证,但湍流统计一致性与三维真实场景仍是薄弱环节。

路线二(亚格子闭合):GNN 学习亚格子应力与过滤源项并接回 LES 求解器

这组是第二条路线的主力:求解器推进、GNN 只预测闭合项,学习目标明确为亚格子应力或过滤标量生成率(反应源项)等物理量。多尺度自相似输入的 GNN 亚格子应力模型在 HIT、混合层与槽道流上做先验与后验检验并与涡黏模型比较;等变嵌入 GNN 配合对称保持离散与强化学习在 HIT 与槽道中保持可实现性;非均匀网格上的过滤源项闭合用于反应流。它们共同回答'是否真正接回求解器、a posteriori 统计能否恢复'以及'是否与 MLP、传统涡黏在同一滤波宽度与算力预算下对照'。

路线二(壁面与非局部应力):壁面剪应力模型、E(3) 等变雷诺应力闭合与求解器在环鲁棒训练

这组把封闭项扩展到壁湍流与 RANS 场景,重点是非局部依赖与数值稳定性:非结构网格 GNN 壁面剪应力模型在槽道、后台阶、叶栅上做 a posteriori 验证(壁面模型路线);E(3) 等变 GNN 结合可实现性投影与求解器在环微调处理 RANS 非局部雷诺应力与病态迭代;鲁棒机器学习训练策略与 solver-aware 闭合以离散残差/数据同化式目标提升耦合后的稳定性。共同点是考察壁湍流与更高雷诺数扩展场景下的泛化与稳定,而非单纯一步预测精度。

混合求解路线:粗网格离散误差与残差修正、非结构网格小尺度重构而非整场演化预测

这组既不做整场时间推进,也不严格只学亚格子应力,而是让粗网格 CFD 继续推进、由学习模块修正离散误差、粗—细网格残差或重构小尺度结构。它们直接回答两条路线的成本—精度权衡与网格分辨率边界,并揭示工业级算例无法做系统性网格收敛研究的现实约束,是评估'算力受限下如何量化并降低粗网格误差'的补充路线。

无学习与传统解析闭合基线:应力分解、多分形 SGS、谱涡粘/反卷积与 Volterra 自主闭合

这组代表完全或几乎不依赖机器学习的建模基线,是判断 GNN 增益的物理起点:Leonard/Cross/Reynolds 应力分解与能量—拟涡能谱约束下的 LES 先验/后验分析、多分形 SGS 模型、自适应谱涡粘与直接反卷积模型,以及以 Volterra 级数在线反演辨识的自主闭合。它们提供可解释、可复现的闭合性能参照,并示范了 a priori 与 a posteriori 双检验的成熟范式。

非图机器学习闭合基线(一):ANN/FCNN 代数与梯度模型在可压缩 HIT 上的先验—后验对照

这组是全连接/局部模板神经网络亚格子模型的经典对照系,在相近网格、滤波宽度与算力下与原位 GNN 模型构成最直接的公平比较:涵盖可压缩/不可压均匀各向同性湍流中的非线性代数模型与空间梯度模型、含测试滤波输入与融合策略的设计,以及跨网格分辨率、跨马赫数与跨雷诺数的外推实验。它们用于隔离'图结构'本身带来的增益。

非图机器学习闭合基线(二):混合模型、NN-LES 工程化落地与钝体绕流等扩展场景应用

这组把非图神经网络闭合推向工程实现与复杂几何:ANN 混合模型组合显式与隐式/涡黏成分以改善后向散射与稳定性,NN 驱动的 LES 工程化流程检验计算开销与实际收益,钝体绕流的 LES 应用则检验在分离、剪切层主导流动中的表现。它们既是 GNN 路线在壁面/绕流等扩展场景的直接对照,也说明基线在跨工况外推上的既有局限。

图神经网络参与湍流数值计算的两条路线:直接推进与辅助粗网格求解的能力、未解问题与研究方向比较

合并去重后,42 篇文献被组织为 11 个并列分组。分组结构呈"共同基础—问题诊断—方法学底座—路线一(两组)—路线二(两组)—混合求解—三类对照基线"的逻辑:第 1 组给出 HIT 统计理论、能谱/能通量 DNS 证据与无散度合成湍流入口等物理标尺与数据入口,界定"短时精度、能谱、能量耗散、散度残差"应被核查的量;第 2 组用综述与负面结果定位先验—后验鸿沟与粗网格修正的可学性边界;第 3 组汇总 GNN 架构与可扩展训练成本基线。第 4、5 组按评价重点区分路线一内部的两类能力——自由滚动多步推进的长期稳定性与误差累积抑制,以及单步/短时与条件化预测的精度、高阶结构函数与间歇性统计诊断。第 6、7 组对应路线二的不同学习目标与物理含义:亚格子应力/过滤源项接回 LES 求解器,以及壁面剪应力、E(3) 等变雷诺应力与求解器在环鲁棒训练;第 8 组为粗网格离散误差/残差修正与小尺度重构的混合路线。第 9、10、11 组刻意把"非图机器学习闭合"与"无学习解析闭合"从 GNN 方法中单独拆出,构成同网格、同滤波宽度、同算力预算下隔离 GNN 贡献的公平对照来源。总体判断:周期域均匀各向同性湍流仍是训练与先验检验的主场景,壁湍流、绕流、叶栅、反应流等作为扩展场景;当前空缺更多集中在长期稳定性与物理统计保真、跨工况外推,以及缺乏时间步/网格/算力对齐的公平对照,而非单纯一步预测精度。

让 AI 读完这 42 篇文献,进入工作区深入研究
研究方向与代表作共识与分歧研究空白与可做的问题
共 42 篇文献,11 个研究方向
湍流物理基础与数据基础设施:HIT 统计理论、能谱/能通量 DNS 证据与无散度合成湍流生成

这组文献不涉及任何学习模型,而是两条路线共同的物理标尺与数据入口:均匀各向同性湍流的经典统计理论(K41、能谱与耗散)、近耗散区能谱与能通量关系的高保真伪谱 DNS 证据,以及按指定能谱生成无散度随机场和散度自由合成涡入口的构造方法。它们界定了报告中必须核查的量(短时精度、能谱、能量耗散、散度残差),也说明两条路线对 DNS 轨迹与入口/边界条件数据的依赖程度与获取成本,是判断 GNN 是否守住物理统计的前置参照。相关文献:John Newman et. al, 2024 等 5 篇文献

问题诊断与可学性边界:先验—后验鸿沟、领域综述与粗网格修正的负面结果

这组提供批判性理论标尺与明确的负面证据:一篇综述把 RANS 病态、a priori/a posteriori 差距与 PINN 谱偏差归因于'逐点离线训练目标'与'求解器耦合多尺度统计表现'的结构性错配;一篇 GNN 领域综述梳理流场预测、湍流建模与复杂流动仿真中的架构、网格适配、训练成本与泛化瓶颈;一篇在非结构四面体网格、转捩流动上给出前馈网络、多种 GNN 与层次网络均无法给出可用粗网格修正的负面结果。三者共同支撑报告对'当前空缺在精度、稳定性、物理统计、跨工况还是公平对照'的定位判断,并警示应优先选择能隔离 GNN 贡献的受控算例。相关文献:Jia-Hao Hu et. al, 2026 等 3 篇文献

GNN 方法学底座:消息传递基础模型、各向异性与多尺度物理约束表达及可扩展训练架构

这组聚焦两条路线共享的架构与成本基线而非具体湍流路线:原始 GNN 模型给出图域消息传递与监督学习范式;各向异性 GNN 与多尺度物理约束图网络针对湍流强非平衡、尺度间交互与非局部依赖改进表达能力;多处理器并行 PIGNN 与混合精度训练直接关系到算力预算、训练成本与推理效率。它们为后续'相近网格、时间步与计算预算下的公平对照'提供方法学与成本参照。相关文献:F. Scarselli et. al, 2009 等 4 篇文献

路线一(自由滚动):GNN 直接推进的自回归滚动、误差累积抑制与长期稳定性

这组文献共同把流场演化本身交给图网络并递归多步推进,核心矛盾是自回归误差累积导致的长期失稳:图注意力模型在二维圆柱绕流上的滚动对比 GNN 与图神经 ODE 训练模式的稳定性差异;气动预测工作用'两步训练+自回归微调'检验跨声速抖振与流固耦合;ALE 一致的图神经算子 Transformer 修正移动边界处理;物理约束课程学习完成数百步滚动;网格图学习与圆柱入水长期预测则给出 RMSE 随步数增长、R²、速度散度与 VOF 残差的量化曲线,并检验对未见 Froude 数、初始角度、几何与网格拓扑的迁移。它们构成'一步预测 vs 自由滚动推进'区分与长期稳定性、计算成本判断的主要证据。相关文献:Qiang Liu et. al, 2022 等 6 篇文献

路线一(短时与条件化):单步/短时全场预测精度、高阶结构函数与间歇性统计诊断及零微调泛化

这组属于 GNN 直接推进中评价重点不同的另一侧:不追求长时稳定,而是检验预测场在湍流统计意义上的保真度与条件化泛化能力——用二阶/三阶结构函数核对 Kolmogorov 2/3 与 4/5 律、用扩展自相似标度指数刻画近尾迹各向异性与间歇性;在三维瞬态流动(钝体绕流、动脉瘤血流)与 GNN-CNN 混合架构中检验对未见入流条件与几何的零微调泛化;并以物理约束损失保证质量守恒。它们说明短时精度已可验证,但湍流统计一致性与三维真实场景仍是薄弱环节。相关文献:Anjan Samanta et. al, 2025 等 3 篇文献

路线二(亚格子闭合):GNN 学习亚格子应力与过滤源项并接回 LES 求解器

这组是第二条路线的主力:求解器推进、GNN 只预测闭合项,学习目标明确为亚格子应力或过滤标量生成率(反应源项)等物理量。多尺度自相似输入的 GNN 亚格子应力模型在 HIT、混合层与槽道流上做先验与后验检验并与涡黏模型比较;等变嵌入 GNN 配合对称保持离散与强化学习在 HIT 与槽道中保持可实现性;非均匀网格上的过滤源项闭合用于反应流。它们共同回答'是否真正接回求解器、a posteriori 统计能否恢复'以及'是否与 MLP、传统涡黏在同一滤波宽度与算力预算下对照'。相关文献:L. Hutin et. al, 2026 等 3 篇文献

路线二(壁面与非局部应力):壁面剪应力模型、E(3) 等变雷诺应力闭合与求解器在环鲁棒训练

这组把封闭项扩展到壁湍流与 RANS 场景,重点是非局部依赖与数值稳定性:非结构网格 GNN 壁面剪应力模型在槽道、后台阶、叶栅上做 a posteriori 验证(壁面模型路线);E(3) 等变 GNN 结合可实现性投影与求解器在环微调处理 RANS 非局部雷诺应力与病态迭代;鲁棒机器学习训练策略与 solver-aware 闭合以离散残差/数据同化式目标提升耦合后的稳定性。共同点是考察壁湍流与更高雷诺数扩展场景下的泛化与稳定,而非单纯一步预测精度。相关文献:D. Dupuy et. al, 2023 等 4 篇文献

混合求解路线:粗网格离散误差与残差修正、非结构网格小尺度重构而非整场演化预测

这组既不做整场时间推进,也不严格只学亚格子应力,而是让粗网格 CFD 继续推进、由学习模块修正离散误差、粗—细网格残差或重构小尺度结构。它们直接回答两条路线的成本—精度权衡与网格分辨率边界,并揭示工业级算例无法做系统性网格收敛研究的现实约束,是评估'算力受限下如何量化并降低粗网格误差'的补充路线。相关文献:A. Kiener et. al, 2022 等 3 篇文献

无学习与传统解析闭合基线:应力分解、多分形 SGS、谱涡粘/反卷积与 Volterra 自主闭合

这组代表完全或几乎不依赖机器学习的建模基线,是判断 GNN 增益的物理起点:Leonard/Cross/Reynolds 应力分解与能量—拟涡能谱约束下的 LES 先验/后验分析、多分形 SGS 模型、自适应谱涡粘与直接反卷积模型,以及以 Volterra 级数在线反演辨识的自主闭合。它们提供可解释、可复现的闭合性能参照,并示范了 a priori 与 a posteriori 双检验的成熟范式。相关文献:P. Perezhogin et. al, 2021 等 4 篇文献

非图机器学习闭合基线(一):ANN/FCNN 代数与梯度模型在可压缩 HIT 上的先验—后验对照

这组是全连接/局部模板神经网络亚格子模型的经典对照系,在相近网格、滤波宽度与算力下与原位 GNN 模型构成最直接的公平比较:涵盖可压缩/不可压均匀各向同性湍流中的非线性代数模型与空间梯度模型、含测试滤波输入与融合策略的设计,以及跨网格分辨率、跨马赫数与跨雷诺数的外推实验。它们用于隔离'图结构'本身带来的增益。相关文献:Dehao Xu et. al, 2023 等 4 篇文献

非图机器学习闭合基线(二):混合模型、NN-LES 工程化落地与钝体绕流等扩展场景应用

这组把非图神经网络闭合推向工程实现与复杂几何:ANN 混合模型组合显式与隐式/涡黏成分以改善后向散射与稳定性,NN 驱动的 LES 工程化流程检验计算开销与实际收益,钝体绕流的 LES 应用则检验在分离、剪切层主导流动中的表现。它们既是 GNN 路线在壁面/绕流等扩展场景的直接对照,也说明基线在跨工况外推上的既有局限。相关文献:Chen-Yue Xie et. al, 2019 等 3 篇文献